学习因子

摘要： 针对传统方法优化后的油气集输管网拓扑结构误差较高大、人力物力成本较高等问题,提出基于改进粒子群算法的油气集输管网拓扑结构优化方法。分析井口—计量站-联合站的布站程序,计算体积流量等工艺参数;将油汽集输费用最小作为目标函数;在计量站储油能力、中转站加工能力以及各站点位置约束下,构建管网拓扑结构优化模型;调节最优粒子编码顺序,实现对惯性权重与学习因子等参数的动态调整,利用改进粒子群算法对构建的优化模型求解最优值,实现管网拓扑结构优化。仿真结果证明,采用本文方法优化的误差最低约为0.1%,且投资费用最低。

摘要： 针对标准粒子群算法在进行机器人时间最优轨迹规划时容易陷入局部最优、早熟等缺点,提出一种快速收敛的改进算法。算法采用动态学习因子策略替代传统固定的学习因子,并在此基础上利用“3-5-3”混合多项式插值函数进行规划,最后在MATLAB仿真软件中完成机器人各关节运动轨迹的拟合。研究结果表明:改进粒子群算法的局部收敛速度和全局收敛速度均优于标准粒子群算法,且比单纯利用“3-5-3”混合多项式进行轨迹规划所需的时间缩短26%,各关节运行轨迹平稳连续,证明改进算法的优越性、有效性以及可行性。

摘要： 针对粒子群算法(PSO)应用电力系统无功优化时本身特性易导致计算结果不精确的问题,首先将系统有功网损最小值作为目标函数模型;其次调整该算法的惯性权重(ω)和学习因子(c);再引入免疫算法,结合两种算法的优势进行融合,发现该方法可在一定程度弥补粒子群算法原本的缺陷,在全局范围内搜索确定最优解;最后对改进算法应用MATLAB进行检验,结果验证了理论分析的正确性。研究结果表明该方法可有效降低系统网损,提高电能质量。

摘要： 提出一种以优秀个体为导向的多策略差分进化算法。根据适应度值将种群等分为三个子种群,针对不同的种群使用不同的变异策略和控制参数。针对适应度值较差的种群提出了一种新的变异策略,通过引入学习因子和平衡因子,对提高收敛速度、精度和易陷入局部最优状态进行平衡,并对其中个体的控制参数采取自适应的机制,降低种群陷入停滞状态的概率。除此,在每次迭代完成之后,三个种群会重新组成一个新的种群,从而实现了不同种群之间信息的交互。用19个标准测试函数对所提出算法的性能进行了测试,并将其与一些主流差分算法进行比较。实验结果表明,所提出的算法在大部分函数的收敛速度以及精度上有明显的提升。

摘要： 针对传统PID控制系统中存在的调节时间长、控制精度低、响应速度慢等问题,提出使用免疫粒子群算法对PID参数进行优化。首先,对粒子群优化算法(PSO)中的惯性权重、学习因子、粒子学习模式进行改进,使得微粒更新适应各个阶段;其次,引入人工免疫思想形成免疫粒子群算法,保证了迭代过程中粒子的多样性,提高了算法精度;最后,在仿真环境下经过对ZN公式法、参数改进后的粒子群算法、免疫粒子群算法在PID控制参数优化效果进行对比可知,免疫粒子群算法的优化控制效果更佳。

摘要： 采用粒子群算法识别结构损伤时,取得的实际最优解易被局部最优解覆盖。将局部最优解用于结构损伤识别,致使产生识别结果精度低、误判率高等问题。将S型动态变化的学习因子c_(1)和c_(2)引入到粒子群算法中,可使粒子快速、准确地收敛到全局最优解。该方法通过优化个体粒子和群体粒子的学习能力,有效提高了粒子群的寻优效率,实现了结构损伤的高精度识别。数值模拟结果表明:提出的新方法在结构损伤识别方面具有识别精度高、误判少、鲁棒性好等优点,可用于结构单一单元损伤或多单元损伤的识别。研究成果为结构损伤识别及结构健康监测提供了新思路。

摘要： 针对粒子群算法初始化个体质量参差不齐,算法后期容易早熟,陷入局部最优值以及后期搜索精度不高、收敛速度缓慢的缺点,本文提出一种基于混沌映射的禁忌同步随机学习因子粒子群算法.利用Logistic映射对算法的粒子种群进行初始化,提高种群个体质量;在算法进入后期搜索寻优时,引入禁忌搜索策略,利用其良好突跳能力,跳出局部最优值,提高算法的全局搜索能力;最后将传统的学习因子通过几个测试函数进行迭代寻优,选取寻优能力突出的区间构建同步随机学习因子,平衡粒子的个体经验和群体经验.将改进的粒子群算法与另外几个智能算法在测试函数上寻优对比验证,仿真实验证明,改进的粒子群算法在寻优能力、收敛速度、搜索精度以及算法的稳定性等性能上,与另外3个智能算法相比都有显著提升.

摘要： 针对粒子群算法易过早收敛、陷入局部最优,从而导致收敛精度不足等问题,提出一种基于搜索历史信息的粒子群算法。该算法利用粒子群算法速度迭代公式产生的新速度与上一代飞行速度协同学习,以此作为新的粒子速度更新粒子个体;对历史飞行速度进行学习可以扩大粒子搜索区域,增强算法寻优能力,有效改善早熟收敛问题;构建多种策略对学习因子进行差异化选取,达到多样化搜索路径的目的。采用CEC 2014不同类型基准测试函数进行仿真试验,与其他经典粒子群算法进行对比表明,所提算法具有更稳定、更优异的综合性能。

摘要： 针对传统粒子群算法进行机器人路径规划时容易陷入局部最优的问题,提出一种基于反向学习机制的改进离散粒子群优化算法。算法分两阶段对粒子种群引入反向学习机制:第一次在种群初始化时,对全部粒子引入反向学习机制,选择适应度值较低的粒子作为初始种群,提高初始解的质量;第二次在迭代过程中,以概率α对粒子种群引入反向学习机制,增加粒子种群的多样性。使用改进惯性权重,提出一种新型自适应余弦变化公式更新学习因子,使算法在运行过程中达到更佳的搜索性能。利用Matlab R2014a平台进行仿真,结果表明,改进算法可以在无碰撞条件下规划出一条从初始点运动到目标点的最短路径,且收敛速度和精度均得到提高。

摘要： 针对传统的粒子群算法易发生早熟收敛、在寻优过程中易陷入局部最优等问题,提出了一种基于惯性权重和学习因子动态调整的粒子群算法,该算法通过改进惯性权重和学习因子参数以优化算法.随着算法的不断迭代,其惯性权重以及学习因子随着迭代次数的增加而动态优化,从而平衡其局部寻优能力与全局搜索能力.实验结果表明,改进后的算法在收敛速度以及收敛精度上比传统粒子群算法更优,能改善早熟收敛问题.

摘要： 为克服粒子群优化算法(Particle Swarm Optimization,PSO)存在的缺陷,提出基于Logistic映射的自适应变尺度混沌粒子群优化算法(Adaptive Chaos PSO,ACPSO).采用混沌方法对粒子进行初始化;根据不同状态下粒子适应值的大小对惯性权重采取不同的调整方法;异步变化的学习因子使粒子随着迭代步数的增加,避免粒子发生早熟收敛现象;当粒子陷入局部最优时,对部分较优粒子采用变尺度混沌局部优化策略.为了检验算法的有效性,将该算法与3种有代表性的算法进行比较,结果表明该算法收敛速度快,求解精度高.

摘要： 把粒子群算法中4种惯性权重、2种学习因子和2种拓扑结构组合构成16种不同的粒子群算法，并用于对5个求全局极小值非线性函数和5个求全局极大值非线性函数的求解。结果表明：线性递减权重W-固定学习因子-Lbest拓扑结构(即Alg6)和非线性递减权重w-固定学习因子-Lbest拓扑结构(即Alg10)在求解误差上比其他算法小;在参数的组合中，Lbest拓扑结构比Gbest拓扑结构误差小;在参数的组合中，固定学习因子比变化的学习因子误差小;在参数的组合中，线性递减和非线性递减惯性权重比固定和随机惯性权重的误差小。

摘要： 针对目前现有粒子群优化算法在寻优过程中表现出的易陷入局部最优的缺点,采用了将惯性权重的线性时变与学习因子两个参数的异步时变相结合,实现粒子群参数在优化过程中的自适应调整,从而提高算法获得全局最优解的能力。通过对IEEE6节点的无功优化结果,表明该算法较传统的算法具有较好的收敛精度和更强的全局寻优能力。

摘要： 本发明提供了一种监督学习与非监督学习结合的因子提取气候特征方法，包括：获取因子的历史数据；所述因子的历史数据包括物理量场因子的历史数据和预报对象的历史数据；对因子的历史数据进行标准化，得到标准化后的数据；对标准化后的数据采用监督学习回归类作分析，提取其均方误差场；对标准化后的数据采用相关系数类作分析，提取其相关系数场；获取均方误差场的预报因子集；获取相关系数场的预报因子集；将均方误差场的预报因子集和相关系数场的预报因子集合并，得到多因子序列。本发明的有益效果：避免了大范围提取因子时，总体高相关和高影响的区域会掩盖掉较低影响区域的信息；避免过多丢弃了与整体场要素模态不一致的低信号信息。

摘要： 本公开提出一种基于机械学习的自动关键因子寻找方法。首先，收集训练数据集。所述训练数据集包括多个数据集以及与各数据集相对应的结果数值。接着，基于所述训练数据集建立机器学习模型。在此，将各数据集作为机器学习模型的输入变量，并将与各数据集相对应的结果数值作为机器学习模型的输出变量，借此来训练机器学习模型。在建立该机器学习模型之后，对机器学习模型执行模型解析法，以在所述数据集中取出影响结果数值的至少一关键因子。

摘要： 本发明公开了一种基于主要驱动因子筛选和深度学习的动态需水预测方法，该方法首先应用Spearman秩相关分析确定研究区域各用水部门的主要驱动因子，然后对实测数据进行归一化处理并分为训练集与测试集，将训练集作为基于主要驱动因子筛选的LSTM深度学习预测模型的多变量输入进行训练，采用测试集对预测模型进行进一步验证，经率定验证获得有效的深度学习预测模型后将样本数据输入进行预测，经过合理性检验后分用水部门获得需水量预测值。本发明的方法考虑区域发展实际情况，因地制宜选取各行业主要驱动因子作为多变量输入，改善单变量输入预测能力低和预测稳定性差的缺陷，应用此法进行需水预测的结果更加准确，精度更高。

摘要： 本发明涉及一种基于逆强化学习结合多因子多动作融合的电网调度方法，包括：输入电网调度相关的数据集；将电网调度相关数据进行编码，构造出电网状态，同时采样动作指令编码；构建电网调度知识图谱并更新为电网调度认知图谱；定义多跳评分函数；利用先验知识构建基于状态的调度元路径；产生源电网状态到目标电网状态的路径，使用多跳评分函数计算路径中节点多跳的得分评估，产生强化学习的第一部分奖励函数；生成奖励函数，结合第一部分奖励函数，生成总的奖励函数；定义逆强化学习的马尔可夫过程和逆强化学习策略更新框架；训练产生基于逆强化学习结合多因子多行为融合的电网调度策略。该方法有利于提高电网调度的合理性和灵活性。

摘要： 本公开提供了一种基于深度学习的角膜内皮细胞活性因子的分析方法，包括对细胞图像进行分割以得到分割图像，在分割图像中获取细胞区域图像，细胞区域图像具有位于图像中心的中心细胞，统计细胞区域图像内的细胞个数和分布密度，基于细胞个数和分布密度计算细胞区域图像的总体径向分布函数，基于总体径向分布函数获得细胞的生长势能曲线，基于生长势能曲线的变化率获得角膜内皮细胞活性因子，基于角膜内皮细胞活性因子获得细胞图像中的细胞的生理状态。本公开的分析方法，通过获得细胞图像的势能转换常数进而获得角膜内皮细胞的生理状态，在这种情况下，能够提高角膜内皮细胞的生理状态的检测效率。

摘要： 本公开涉及计算机技术领域，提供了基于机器学习的城市普惠保险的风险影响因子获取方法及装置、计算机可读存储介质和电子设备。其中，上述方法包括：获取目标区域的各待投保用户的个人特征信息和目标区域的历史年度基础指标数据；对各所述待投保用户的个人特征信息进行数值化处理，以确定各待投保用户的个人特征信息对应的风险等级；分别将各待投保用户的个人特征信息对应的风险等级和所述目标区域的历史年度基础指标数据输入到预训练的风险影响因子预测模型中，以获取所述风险影响因子的值；其中，风险影响因子包括目标区域的年度个人医疗花费。本公开能提高获取的城市普惠保险的风险影响因子的准确性，并提高获取效率。

摘要： 本发明属于轨迹跟踪控制领域，提供了基于遗忘因子高阶迭代学习的推进器控制方法及系统，该方法依据推进器系统输出的与期望轨迹的误差信息、遗忘因子以及相应的分数阶变换构造遗忘因子分数阶高阶迭代学习控制器；预设推进器系统的期望轨迹，初始化推进器系统的运行动力学模型，依据收敛性条件调整遗忘因子分数阶高阶迭代学习控制器，通过控制器作用于推进器系统，获取推进器系统的实际运行轨迹；判断推进器系统的实际运行轨迹是否满足期望轨迹，若是，获得期望的实际运动轨迹，否则根据实际运行轨迹和期望轨迹的误差，通过分数阶微积分变换后修正所述控制器。提高了收敛速度，消除外界扰动，使得海洋机器人能够快速的实现轨迹跟踪任务。

摘要： 本发明公开了一种联邦学习算法因子组件动态生成方法和装置，涉及机器学习技术领域。所述方法包括：响应于检测到的算法因子创建指令，获取所述算法因子创建指令对应的算法因子创建参数；基于所述算法因子创建参数和预先创建的层级结构生成目标算法因子，以根据应用业务场景及建模需求，配置一个或多个目标算法因子构建联邦学习应用模型。本发明实施例通过预先创建层级结构，在需要生成算法因子时，直接基于预先创建的层级结构和应用需求生成算法因子，使得创建算法因子时，无需对每个算法因子进行单独开发，简化了算法因子的生成过程，提高了算法因子的生成效率，进而提高了基于算法因子构建联邦学习模型的效率。

摘要： 本发明公开了一种基于多气象因子智能深度学习的能见度预报模型，主要包括数值预报模式选取、空间网格点多气象因子建模、特征提取与能见度映射、神经网络模型训练和能见度预报与模型参数更新等步骤，本发明利用深度学习技术结合数值预报及多气象因子建模，能实现对关键地区的精细化能见度预报。

摘要： 本发明提供一种基于学习因子图的数据与模型联合驱动的信号检测方法，通过收集通信的发送数据X与接收数据Y；搭建CNN‑BiLSTM网络作为分类神经网络；使用基于Akaike信息准则的混合高斯模型去拟合信道接收数据Y的分布，得到边缘概率密度；模式识别网络重构训练集，对CNN‑BiLSTM网络进行线下训练，得到条件概率密度；计算得到通过因子图的消息传递算法实现信号检测所需要的因子节点；根据有限记忆信道的记忆长度与学习到的因子节点在学习因子图上进行前向后向的消息传递算法，实现最大后验概率准则下的信号检测；该方法能够在不需要信道知识的无信道模型中实现接近最优的信号检测性能，具有更准确的检测结果，且对不确定性训练的具有优秀的鲁棒性。